Print indd

1
Introduction
Scientific computing poses a difficult challenge for people from different domains,
especially in order to find a suitable trade-off between desired solution quality
and computational effort. Even the high parallel capabilities of todays hardware
and novel parallel algorithms do not lead to a significant reduction of these
challenges because of the increasing dimensions of current problems. Hence, we
rely on new ways to find suitable methods to overcome the aforementioned issues.
In recent years, the idea of an approximate computing (AC) paradigm has
been gaining high attention in computer science [
11
]. A consideration of current
applications, such as Recognition, Mining, and Synthesis (RMS) concludes that
these applications have an inherent resilience against computational errors [
8
].
Trading off internal or external accuracy of an application allows the hardware,
the programmer, or the user to improve other design goals like performance or
energy consumption [
3
]. There already exists a wide variety of AC approaches
c
 Springer International Publishing AG, part of Springer Nature 2018
M. Berekovic et al. (Eds.): ARCS 2018, LNCS 10793, pp. 297–310, 2018.
https://doi.org/10.1007/978-3-319-77610-1
_
22

---

298
M. Bromberger et al.
on different layers of the compute stack [
11
,
21
]. Additionally, there is quite some
effort to control the degree of approximation according to given constraints [
3
].
In contrast, high accuracy is often inevitable for scientific computing. Hence,
at first glance, it seems counterproductive to marry AC with scientific comput-
ing. However, there is already some successful work that introduces AC into
scientific computing [
2
,
17
–
19
,
22
,
23
]. They mostly analyze the influence of data
type precision on the accuracy. Asynchronous parallelization methods, which
can be compared with relaxed synchronization, are well-known in numerics and
show a high efficiency on GPUs [
1
]. But these works lack a schematic evaluation
of AC on different parts inside a scientific application. Therefore, this paper is
a first step to apply a holistic evaluation of AC on a widely used algorithm in
scientific computing. This gives us the knowledge, where it is possible to apply
AC and how we can combine orthogonal methods.